辛幾何模態(tài)分解方法(Symplectic Geometry Mode Decomposition, SGMD)存在特征信息分布過于分散問題、Autogram方法中的最大重復(fù)離散小波變換(Maximal Overlap Discrete Wavelet Packet Transform,MODWPT)存在特征提取能力不足問題,針對上述兩問題,提出了基于SGMD-Autogram的新方法。對實測液壓泵多模態(tài)故障振動信號進行SGMD分解;針對分解后產(chǎn)生的特征信息分布過于分散問題,提出基于最大無偏自相關(guān)譜峭度法,篩選含有豐富運行特征信息的模態(tài)分量為數(shù)據(jù)源,進而取代MODWPT,實現(xiàn)最優(yōu)故障特征提取;對數(shù)據(jù)源進行閾值處理,并基于頻譜實現(xiàn)對液壓泵故障的診斷。通過對比分析仿真和實測液壓泵斜盤故障振動信號,驗證了該方法可以有效地診斷斜盤故障。

【文章頁數(shù)】：8 頁

【部分圖文】：

圖1方法流程圖

針對MODWPT存在特征提取能力不足問題,利用SGMD進行輔助濾波處理,但SGMD存在嚴(yán)重過度分解問題,而利用Autogram的最大無偏自相關(guān)峭度即可消除,所以二者相輔相成、互相彌補存在問題。經(jīng)研究發(fā)現(xiàn),當(dāng)SGMD完全替代MODWPT時,能夠獲得最優(yōu)特征提取效果。所提SGMD-A....

圖2混合信號頻域

仿真的目的是為了利用SGMD-Autogram提取出50Hz模擬沖擊故障的模態(tài)分量,說明其特征提取和抑噪能力、可消除特征信息分布過于分散現(xiàn)象。圖2為混合信號x(t)的頻譜圖。由圖2可知,在模擬沖擊故障特征頻率50Hz及其絕大部分倍頻處的幅值都被噪聲淹沒、且在其它頻率處存在很大....

圖3基于Autogram的混合信號的無偏自相關(guān)譜峭度分布圖

通過對比基于Autogram所得圖4(a)、圖4(b)、圖4(c)可知,基于無閾值所得圖4(a)較上閾值所得圖4(b)、下閾值所得圖4(c)能夠清晰地提取模擬沖擊故障特征頻率50Hz及其一部分倍頻處的幅值、且幅值也高出很多。因此,本文基于無閾值所得頻譜圖4(a)進行下一步分析。....

圖5基于混合信號無偏自相關(guān)譜峭度分布圖

對上述70個累加重構(gòu)分量信號進行Autogram分析,即可得到每個累加重構(gòu)分量信號的最大無偏自相關(guān)譜峭度,圖5為無偏自相關(guān)譜峭度分布圖。由圖5可知,由前60個SGC分量組成的第6個累加重構(gòu)分量的無偏自相關(guān)譜峭度最大(6.813)。由上述可知,該分量無須經(jīng)過MODWPT處理,即可由....

本文編號：3906033